基于Rainbow DQN的工业物联网原位数据调度优化：降低延迟与提升吞吐量的创新方案

为解决工业物联网(IIoT)中原位数据(In-situ Data)调度存在的高延迟、需求拥塞等问题，研究人员提出基于Rainbow DQN（分布式深度强化学习）的调度优化方案。通过设计分级存储结构和动态优先级分类机制，实验显示该方案使平均等待延迟降低60.82%，未处理需求减少62.94%，为IIoT实时数据处理提供新范式。

　　

在工业物联网(IIoT)快速发展的背景下，海量终端设备产生的原位数据(In-situ Data)面临严峻挑战：传统云-边-端架构中，物理距离和带宽限制导致实时数据处理延迟，而集中式调度易引发系统拥塞。尤其当设备部署在矿山、油田等偏远区域时，现有边缘计算(Edge Computing)节点因位置局限难以满足低延迟需求。更棘手的是，不同存储需求的数据混杂处理会进一步降低调度效率。如何实现高效、自适应的原位数据调度，成为制约IIoT技术落地的关键瓶颈。

针对这一难题，山东自然科学基金支持的研究团队在《Future Generation Computer Systems》发表创新成果。该研究首次将Rainbow DQN（结合分布式优先经验回放、多步学习等6项改进的深度Q网络）引入IIoT调度系统，构建了包含三级性能队列的多级存储结构(MLS)。通过马尔可夫调制泊松过程(MMPP)模拟数据生成波动，设计动态优先级分类机制，最终实现系统吞吐量与延迟的协同优化。

关键技术方法包括：1) 将异构服务器抽象为高/中/低三级存储队列；2) 采用MMPP模型模拟网络波动下的数据生成；3) 设计缓冲区分层封装数据属性；4) 基于Rainbow DQN的调度决策模块实现动态负载均衡。实验使用真实IIoT设备数据集验证性能。

Multi-level storage structure
研究将原位服务器系统(InS)重构为性能分层的存储队列，高性能队列处理紧急数据，中低性能队列分别处理常规和后台任务。这种设计使存储效率提升58.3%，为后续调度奠定基础。

MMPP-controlled data volume generation
通过MMPP模型模拟工业场景中的数据爆发期和平稳期，在调度测试中成功复现真实网络波动场景，峰值数据生成量达基准值的3.2倍。

Algorithm improvements
对比传统DQN，Rainbow DQN集成优先经验回放、双网络结构等6项改进，在相同实验条件下将调度决策准确率从71.5%提升至89.2%。

Comparative experimental analysis
与遗传算法、粒子群优化等基准方法相比，该方案在万级数据量测试中，平均完成延迟降低58.27%，且系统拥塞率始终低于5%。

这项研究开创性地将深度强化学习与IIoT架构深度融合，其提出的动态优先级机制和MLS结构为工业数据调度提供普适性框架。特别是Rainbow DQN的适应性决策能力，有效解决了传统方法在突发流量下的性能骤降问题。未来可扩展至智能电网、车联网等实时性敏感领域，为工业数字化转型提供核心算法支撑。研究团队指出，下一步将探索联邦学习与调度系统的结合，以应对分布式IIoT环境中的隐私保护需求。